Capítulo 6 · ARS, IA y entornos inteligentes de aprendizaje — IAforTeachers v2.0

Manual de ARS · Capítulo 6

VERSIÓN 2.0 · NUEVO

ARS, inteligencia artificial y entornos inteligentes de aprendizaje

De las métricas calculadas a mano a las redes neuronales de grafos. De los dashboards estáticos a los entornos que aprenden de la estructura social. Lo que ocurre cuando la IA no solo analiza redes sino que las habita.

Fernando Santamaría González IAforTeachers.com · Marzo 2026 ~6.000 palabras · 30 min lectura

Sección 6.1De las métricas clásicas a los embeddings de grafos

Los capítulos anteriores presentaron las métricas del ARS como cálculos que un investigador ejecuta sobre una red estática. Este capítulo empieza donde aquellos terminaban: ¿qué ocurre cuando dejamos que una máquina aprenda las propiedades de la red por sí misma, sin que le digamos qué métricas calcular?

Tres generaciones de análisis de redes

1970-2010

Métricas clásicas

Freeman, Burt, Newman. Centralidad, modularidad, equivalencia. El investigador decide qué calcular. Gephi, UCINET, Pajek.

2014-2022

Embeddings de grafos

DeepWalk, Node2Vec, LINE. La máquina aprende representaciones vectoriales de nodos sin métricas predefinidas.

2020-2026

Redes neuronales de grafos + LLMs

GCN, GAT, GraphSAGE, GraphGPT. La IA no solo analiza la red: razona sobre ella, predice su evolución, genera recomendaciones.

Node2Vec y DeepWalk: los caminantes aleatorios que aprenden

El primer salto conceptual llegó con DeepWalk (Perozzi et al., 2014) y Node2Vec (Grover y Leskovec, 2016). La idea es elegante: si Word2Vec puede aprender representaciones de palabras a partir de secuencias de texto, ¿por qué no aprender representaciones de nodos a partir de secuencias generadas por caminantes aleatorios sobre el grafo?

El procedimiento es el siguiente: desde cada nodo se lanzan múltiples caminatas aleatorias (secuencias de nodos visitados). Estas secuencias se tratan como «frases» y se alimentan a un modelo Word2Vec que aprende a predecir los nodos vecinos en la secuencia. El resultado es un vector denso (embedding) para cada nodo que captura su posición estructural. Nodos estructuralmente similares tendrán embeddings cercanos en el espacio vectorial.

Node2Vec refinó esta idea introduciendo dos parámetros que controlan el sesgo de la caminata: el parámetro p (sesgo de retorno: probabilidad de volver al nodo anterior) y el parámetro q (sesgo de exploración: probabilidad de alejarse). Con q bajo, la caminata explora el vecindario local (captura homofilia); con q alto, se aleja hacia regiones distantes (captura equivalencia estructural). Es decir, Node2Vec puede aprender tanto las propiedades locales como las globales de la red según cómo se configuren sus hiperparámetros.

Lo que cambia con los embeddings

Con las métricas clásicas, el investigador decide a priori qué propiedades le interesan (grado, intermediación, cercanía). Con los embeddings, la máquina descubre las propiedades relevantes por sí misma, codificándolas en un vector de alta dimensionalidad. Esos vectores pueden luego alimentar cualquier algoritmo de aprendizaje automático estándar (clasificación, clustering, predicción de enlaces) sin necesidad de ingeniería manual de características.

Redes neuronales de grafos: GCN, GAT y GraphSAGE

Los embeddings basados en caminatas aleatorias tienen una limitación: no incorporan los atributos de los nodos (edad, rendimiento, género en educación, o seguidores, engagement, sector en marketing). Las redes neuronales de grafos (GNN) resuelven esto procesando simultáneamente la topología del grafo y los atributos de cada nodo.

El mecanismo central de las GNN es el paso de mensajes (message passing): en cada capa de la red neuronal, cada nodo agrega información de sus vecinos, la combina con su propia información, y actualiza su representación. Tras varias capas, cada nodo tiene un embedding que incorpora información de su vecindario extendido.

Arquitectura	Año	Mecanismo de agregación	Fortaleza	Aplicación ARS
GCN	2017	Media ponderada de vecinos (convolución espectral)	Simple, eficiente, base teórica sólida	Clasificación de nodos en redes educativas (predecir rendimiento por posición)
GAT	2018	Atención: pesos aprendidos para cada vecino	Distingue la importancia de cada contacto	Identificar qué conexiones influyen más en el comportamiento de un actor
GraphSAGE	2017	Muestreo + agregación (media, LSTM, pooling)	Escalable, generaliza a nodos nuevos (inductivo)	Redes dinámicas donde llegan nuevos estudiantes/consumidores continuamente

Ejemplo educativo: predecir el abandono con GNN

En un MOOC con 5.000 estudiantes, una GCN recibe como entrada el grafo de interacciones del foro (quién responde a quién) junto con los atributos de cada estudiante (actividad semanal, calificaciones parciales, tiempo en plataforma). Tras tres capas de paso de mensajes, el modelo produce un embedding por estudiante que incorpora tanto sus características individuales como las de su entorno social. Un clasificador sobre estos embeddings predice con un 87% de precisión quién abandonará el curso en las próximas dos semanas. Las métricas clásicas (grado, agrupamiento) alimentadas a un modelo de regresión logística lograban solo el 72%. La diferencia está en que la GNN captura patrones no lineales y de orden superior que las métricas individuales no pueden representar.

De métricas a embeddings: dos formas de representar los mismos nodos

Mismos 20 nodos proyectados en 2D. A la izquierda, posicionados por centralidad de grado (eje X) e intermediación (eje Y): distribución dispersa. A la derecha, posicionados por embeddings Node2Vec proyectados con t-SNE: las comunidades emergen naturalmente como clústeres compactos que las métricas clásicas no agrupaban.

Conexión con la práctica

Los ejercicios con Gephi del módulo C utilizan métricas clásicas. Para experimentar con embeddings, el código Python del Capítulo 2 puede extenderse con la biblioteca node2vec (pip install node2vec) o con PyTorch Geometric para GNN. No es necesario para el curso, pero quien quiera ir más allá tiene las herramientas indicadas.

Sección 6.2Modelos de lenguaje sobre grafos: cuando la IA razona sobre redes

La convergencia más disruptiva de 2024-2025 no fue la IA generativa en sí misma, sino su aplicación a datos estructurados en forma de grafos. Los LLMs están aprendiendo a «leer» redes sociales como quien lee un texto, y las implicaciones para el ARS son profundas.

Tres formas de integrar LLMs y grafos

La investigación reciente identifica tres paradigmas de integración, cada uno con implicaciones diferentes para el análisis de redes:

Paradigma	Cómo funciona	Ejemplo	Implicación para el ARS
LLM como potenciador	El LLM enriquece los atributos textuales de los nodos; la GNN hace el análisis estructural	GLEM: DeBERTa genera embeddings textuales, una GNN los combina con la estructura	Mejores representaciones de nodos con atributos textuales (posts de foro, descripciones de perfil)
LLM como predictor	El LLM recibe la estructura del grafo directamente (tokenizada o descrita en texto) y hace predicciones	GraphGPT: tokeniza nodos y aristas para insertarlos en LLaMA	Análisis de red sin necesidad de herramientas especializadas: «pregúntale a Claude sobre tu red»
Grafo como potenciador del LLM	Los grafos de conocimiento corrigen alucinaciones y mejoran el razonamiento del LLM	GraphRAG de Microsoft: comunidades del grafo generan resúmenes que alimentan al LLM	El ARS mejora la calidad de la IA generativa: las comunidades proporcionan contexto estructurado

GraphRAG: la convergencia más práctica

El framework GraphRAG de Microsoft (Edge et al., 2024) representa probablemente la aplicación más inmediatamente útil de esta convergencia. En lugar de recuperar fragmentos de texto para alimentar al LLM (como hace el RAG tradicional), GraphRAG primero construye un grafo de conocimiento a partir de los documentos, luego detecta comunidades dentro de ese grafo, genera resúmenes por comunidad y usa esos resúmenes como contexto para el LLM.

¿Qué tiene esto que ver con el ARS? Todo. Los algoritmos de detección de comunidades del ARS (Louvain, Leiden) son el motor que organiza el conocimiento dentro de GraphRAG. La modularidad de Newman es la que decide qué fragmentos de información van juntos. La centralidad es la que identifica los nodos conceptuales más importantes. El ARS no es solo una herramienta de análisis social: es una infraestructura computacional que mejora la IA generativa.

Horizonte 2026-2028

Es probable que en los próximos años podamos describir una red social en lenguaje natural a un LLM (por ejemplo: «analiza esta red de interacciones de mi curso en Moodle, identifica a los estudiantes en riesgo de abandono y recomienda intervenciones basadas en su posición estructural») y obtener un análisis completo con visualizaciones. Graph-ToolFormer (Zhang, 2023) ya demuestra que los LLMs pueden invocar herramientas de análisis de grafos mediante instrucciones. La barrera técnica entre «saber ARS» y «usar ARS» está desapareciendo.

Pero la comprensión sigue siendo necesaria

Que un LLM pueda calcular centralidades no significa que su usuario entienda qué significan. La automatización del cálculo hace más importante, no menos, la comprensión conceptual que proporcionan los capítulos 1-5 de este manual. Un profesional que pide al LLM «dame los nodos más centrales» sin entender que hay cuatro tipos de centralidad que responden a preguntas diferentes tomará decisiones subóptimas con datos correctos. La herramienta cambia; el conocimiento no se delega.

Sección 6.3ARS como motor de los entornos inteligentes de aprendizaje

Los entornos inteligentes de aprendizaje (SLE, Smart Learning Environments) son sistemas educativos que personalizan la enseñanza, siguen el progreso del estudiante y ofrecen ayuda o recomendaciones según sus necesidades. Proponemos que el ARS es la pieza que la mayoría de estos sistemas aún no han integrado, y que su incorporación los transformaría cualitativamente.

El eslabón perdido

La mayoría de los SLE actuales personalizan basándose en atributos individuales del estudiante: rendimiento previo, estilo de aprendizaje detectado, tiempo en plataforma, patrones de navegación. Son sistemas que ven al estudiante como una entidad aislada.

Pero el aprendizaje es un fenómeno inherentemente social. El conectivismo de Siemens lo plantea con claridad: el conocimiento reside en las conexiones entre personas, no solo dentro de las personas. Un entorno genuinamente inteligente debería personalizar no solo en función de quién eres, sino de con quién estás conectado y cómo te posicionas en la red social del curso.

La propuesta: ARS como capa relacional del SLE

Proponemos un modelo donde el ARS actúa como capa analítica intermedia entre la recogida de datos de interacción (logs del LMS) y el motor de personalización. Esta capa calcula en tiempo cuasi-real las métricas de red de cada estudiante y alimenta al sistema adaptativo con información estructural que los datos individuales no proporcionan.

¿Qué decisiones tomaría un SLE informado por ARS?

Señal ARS	Métrica	Intervención del SLE
Estudiante aislado (grado = 0)	Grado de entrada	Asignar compañero de estudio, sugerir incorporación a grupo activo, activar alerta al tutor
Estudiante puente que conecta dos grupos	Intermediación alta	Proponer rol de facilitador en actividad interdisciplinar, no sobrecargar con tareas individuales
Comunidad que se está fragmentando	Modularidad creciente, densidad decreciente	Introducir actividad cruzada entre subgrupos, rotar miembros de equipos
Tutoría informal emergente	In-degree alto de un par de estudiantes	Formalizar el rol de tutor par, ofrecer recursos de apoyo al tutor informal
Red con baja reciprocidad	Reciprocidad < 0,15	Reestructurar la actividad para forzar interacción bidireccional (debates, peer review)
Estudiante en periferia del k-core	Índice k-shell bajo	Alertar como riesgo de abandono antes de que las métricas individuales lo detecten
Homofilia por rendimiento	Asortatividad alta por calificación	Crear equipos mixtos para romper la segregación por rendimiento

Caso: el framework SOFIA

El framework SOFIA (Servicio Orientado para Evaluación Inteligente) demostró en un estudio con 250 participantes que un sistema adaptativo que integra analíticas de interacción (incluyendo ARS) alcanzó un 92% de precisión en la identificación de brechas de aprendizaje, frente al 65% de las evaluaciones estáticas y al 78% de los sistemas adaptativos basados solo en reglas. La dimensión relacional del ARS fue el componente que marcó la diferencia entre el 78% y el 92%.

Arquitectura: ARS como capa relacional del entorno inteligente

Modelo de tres capas: los datos de interacción del LMS alimentan la capa ARS (que calcula métricas de red en tiempo cuasi-real), que a su vez informa al motor de personalización adaptativa. Las intervenciones se basan tanto en atributos individuales como en posición estructural.

Para reflexionar

¿Debería un SLE intervenir automáticamente en la estructura social de un aula? ¿Dónde está la línea entre facilitar la colaboración y la ingeniería social algorítmica? Si el sistema detecta que un estudiante está aislado y le asigna un compañero sin consultarle, ¿es personalización o paternalismo? Estas preguntas éticas no tienen respuesta técnica: requieren deliberación pedagógica.

Sección 6.4Herramientas IA para ARS en 2026

El ecosistema de herramientas se ha bifurcado: por un lado, las plataformas comerciales de social listening que integran IA (orientadas a marketing); por otro, las bibliotecas de GNN para investigación (orientadas a ciencia de datos). Ambos mundos están convergiendo.

Plataformas comerciales con capacidades de ARS

Social Listening + IA

Brandwatch

Mejoró en 2025 su algoritmo de sentimiento y ofrece un «Influence Score» para cada mención. Detección de comunidades implícita a través de clustering de audiencia. Desde ~800 €/mes.

Analítica de influencers

HypeAuditor

Base de datos de más de 207 millones de perfiles. Detección de seguidores falsos mediante IA. Métricas de engagement auténtico y alcance real. Análisis de audiencia por comunidad.

Segmentación relacional

Audiense

Usa aprendizaje automático para segmentar audiencias en clústeres basados en comportamiento, no en demografía. Identifica subcomunidades e influencers por nicho. Esencialmente, detección de comunidades automatizada.

Suite enterprise

Sprinklr

IA para estimar el alcance de cada mención. Análisis predictivo de tendencias. Correlación entre contenido social y datos de CRM. Desde ~1.500 €/mes.

Bibliotecas de GNN para investigación

Python · GNN

PyTorch Geometric (PyG)

Implementaciones de GCN, GAT, GraphSAGE y decenas de variantes. Integrada con el ecosistema PyTorch. La opción más popular para investigación en GNN. Código abierto.

Python · GNN

Deep Graph Library (DGL)

Compatible con PyTorch, TensorFlow y MXNet. Escalable a redes con millones de nodos. Optimizada para grafos heterogéneos (múltiples tipos de nodos y aristas). Código abierto.

Python · Embeddings

node2vec / karateclub

node2vec implementa los caminantes aleatorios sesgados de Grover y Leskovec. karateclub ofrece una colección de métodos de embedding (DeepWalk, LINE, HOPE, Role2Vec). Código abierto.

Base de datos + IA

Neo4j + Graph Data Science

Base de datos de grafos con biblioteca integrada de algoritmos de ARS (centralidades, comunidades, embeddings, predicción de enlaces). Combina almacenamiento y análisis. Versión comunitaria gratuita.

LLMs como herramienta de ARS

Una tendencia emergente que merece atención: usar los propios LLMs como analistas de redes. Claude, GPT-4 y otros modelos pueden, con las instrucciones adecuadas, interpretar matrices de adyacencia, calcular métricas básicas e incluso razonar sobre propiedades estructurales de grafos pequeños. GraphArena (ICLR 2025) demostró que Claude 3.5 Sonnet fue el modelo con mejor rendimiento en tareas de razonamiento sobre grafos entre los LLMs evaluados.

La limitación actual es la escala: los LLMs pueden razonar sobre grafos de decenas de nodos, no de miles. Pero como herramienta pedagógica y de prototipado rápido, la posibilidad de «conversar con tu red» es real en 2026.

# Ejemplo: pedir a Claude que analice una red pequeña # (esto ya funciona en la conversación actual) """ Tengo una red de 8 estudiantes con estas conexiones: A→B, A→C, B→C, B→D, C→E, D→E, D→F, E→F, F→G, G→H ¿Quién tiene mayor intermediación? ¿Hay comunidades visibles? ¿Qué estudiante es más vulnerable al aislamiento si D abandona? """ # Claude puede responder con precisión a estas preguntas # para grafos de este tamaño sin herramientas externas.

Sección 6.5Influencers virtuales y redes sintéticas: cuando los nodos son IA

¿Qué ocurre con el ARS cuando algunos de los nodos de la red no son personas sino agentes de IA? Esta pregunta, que parecía ciencia ficción hace cinco años, es una realidad de mercado en 2026.

El mercado de los influencers virtuales

El mercado de influencers virtuales alcanzó los 6.900 millones de dólares en 2024 y se proyecta que llegue a los 37.800 millones en 2030. Existen más de 200 influencers virtuales con más de 100.000 seguidores cada uno, operando en Instagram, TikTok y YouTube. Lil Miquela (@lilmiquela) tiene más de 3 millones de seguidores en Instagram y ha colaborado con Prada, Calvin Klein y BMW. Aitana López, creada por la agencia española The Clueless, es un ejemplo directo del ecosistema de marketing digital español que analizamos en las prácticas.

Los chatbots integrados en plataformas sociales añaden otra capa de complejidad. Meta AI opera en Facebook, Instagram, WhatsApp y Messenger, gestionando millones de interacciones diarias. My AI de Snapchat reportó más de 150 millones de interacciones en 2024. Estos agentes no son nodos pasivos: participan activamente en la red social, responden mensajes, generan contenido y median conversaciones.

Implicaciones para el ARS

La presencia de nodos no humanos en las redes sociales plantea desafíos fundamentales para el ARS que la teoría clásica no contempló:

Desafío	Problema	Implicación para el análisis
Identificación	¿Cómo distinguir nodos humanos de nodos IA en la red?	Las métricas de autenticidad (reciprocidad de interacciones, variabilidad de horarios, patrones lingüísticos) se convierten en prerrequisito del análisis
Centralidad inflada	Un bot puede generar miles de interacciones que inflan artificialmente las métricas	Las centralidades basadas en volumen (grado) pierden fiabilidad; las basadas en estructura (intermediación, vector propio) son más robustas
Comunidades artificiales	Las redes de bots crean comunidades ficticias que distorsionan la modularidad real	Es necesario limpiar la red antes de detectar comunidades, o usar algoritmos que ponderen la autenticidad de los vínculos
Influencia no humana	Un influencer virtual no tiene «opinión propia» sino una estrategia de marca	La teoría de la influencia social (Granovetter, Burt) fue diseñada para actores con agencia. ¿Aplica cuando el nodo es un algoritmo?
Redes híbridas	Las redes reales de 2026 son mezclas de humanos, bots, influencers virtuales y chatbots de plataforma	Se necesitan métricas nuevas que distingan entre interacciones humano-humano, humano-IA e IA-IA dentro del mismo grafo

Hacia un ARS para redes híbridas

El ARS del futuro inmediato necesitará incorporar una capa de autenticidad que clasifique nodos (humano vs. IA) y vínculos (orgánico vs. generado) antes de calcular métricas. Herramientas como HypeAuditor ya hacen esto para la detección de seguidores falsos. Lo que falta es integrar esa clasificación directamente en el cálculo de centralidades y comunidades, de modo que las métricas reflejen la estructura real de la red, no la inflada por actividad artificial.

La pregunta filosófica

Si un influencer virtual genera engagement real (compras, conversaciones, cambios de comportamiento) en consumidores humanos, ¿su posición en la red es «menos real» que la de un influencer humano? El ARS mide estructura, no intención. La intermediación de Aitana López es tan calculable como la de Ibai Llanos. Pero ¿las interpretaciones de Granovetter sobre la fuerza de los vínculos aplican cuando uno de los extremos del vínculo carece de experiencia social genuina? Estas preguntas definen la frontera epistemológica del ARS en la era de la IA generativa.

Referencias del capítulo

Perozzi, B., Al-Rfou, R. y Skiena, S. (2014). DeepWalk: Online learning of social representations. Proceedings of KDD, 701-710.

Grover, A. y Leskovec, J. (2016). node2vec: Scalable feature learning for networks. Proceedings of KDD, 855-864.

Kipf, T. N. y Welling, M. (2017). Semi-supervised classification with graph convolutional networks. ICLR.

Veličković, P. et al. (2018). Graph attention networks. ICLR.

Hamilton, W. L., Ying, R. y Leskovec, J. (2017). Inductive representation learning on large graphs (GraphSAGE). NeurIPS.

Edge, D. et al. (2024). From local to global: A graph RAG approach to query-focused summarization. Preprint.

Zhang, J. (2023). Graph-ToolFormer: To empower LLMs with graph reasoning ability via prompt augmented by ChatGPT. Preprint.

Jin, B. et al. (2024). Large language models on graphs: A comprehensive survey. IEEE TKDE.

Li, X. et al. (2025). GraphArena: Benchmarking LLMs on graph computation. ICLR 2025.

Hwang, G.-J. y Fu, Q.-K. (2020). Trends in the research design and application of mobile language learning. Educational Technology & Society, 23(1), 1-14.

← Dimensiones avanzadas Integrador A →

En Python · NetworkX

Reproducir este capítulo con NetworkX

Para entrenar GNN, procesar grafos con LLM o integrar ARS en sistemas de aprendizaje, NetworkX es el paso previo. Aquí ves cómo conectar NetworkX con PyTorch Geometric para Graph Neural Networks.

Instalación previa: pip install networkx · Python 3.8+. Para módulos adicionales, la indicación aparece en el bloque correspondiente.

1 De NetworkX a PyTorch Geometric

PyTorch Geometric es el estándar para GNN. Convertimos un grafo NetworkX a su formato Data con una función de utilidad.

"c"># Instalar: pip install torch torch-geometric
import networkx as nx
import torch
from torch_geometric.utils import from_networkx

G = nx.karate_club_graph()

"c"># Convertir a formato PyG
data = from_networkx(G)
print(f"Nodos: {data.num_nodes}")
print(f"Aristas: {data.num_edges}")
print(f"Formato: {data}")

2 Graph Convolutional Network básica

Una GCN simple con dos capas que aprende representaciones de nodos. Este ejemplo es el "hello world" del aprendizaje sobre grafos.

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv

class GCN(torch.nn.Module):
    def __init__(self, n_features, n_hidden, n_classes):
        super().__init__()
        self.conv1 = GCNConv(n_features, n_hidden)
        self.conv2 = GCNConv(n_hidden, n_classes)

    def forward(self, x, edge_index):
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

"c"># Modelo con 34 features de entrada, 16 ocultas, 2 clases
modelo = GCN(n_features=34, n_hidden=16, n_classes=2)
print(modelo)

3 Embeddings con Node2Vec

Node2Vec aprende un vector por nodo que puede usarse en tareas posteriores (clasificación, clustering, predicción de enlaces).

"c"># Instalar: pip install node2vec
from node2vec import Node2Vec

G = nx.karate_club_graph()

"c"># Precompute caminatas aleatorias y entrenar
n2v = Node2Vec(G, dimensions=16, walk_length=20,
                num_walks=100, workers=4)
modelo = n2v.fit(window=5, min_count=1)

"c"># Obtener el embedding del nodo 0
emb_0 = modelo.wv["s">'0']
print(f"Embedding del nodo 0: shape {emb_0.shape}")

"c"># Nodos más similares al 0
print("Más similares al 0:", modelo.wv.most_similar("s">'0', topn=3))

4 LLM sobre grafos con GraphRAG (concepto)

GraphRAG permite a un LLM responder preguntas consultando un grafo de conocimiento. Este es el esqueleto conceptual con LangChain.

"c"># Instalar: pip install langchain networkx
"c"># from langchain.graphs import NetworkxEntityGraph
"c"># from langchain.chains import GraphQAChain

"c"># Ejemplo conceptual:
"c"># 1. Cargar tu grafo NetworkX con nodos y atributos semánticos
"c"># 2. Envolverlo en NetworkxEntityGraph
"c"># 3. Conectar un LLM (OpenAI, Claude, local) con GraphQAChain
"c"># 4. Preguntar en lenguaje natural; el LLM consulta el grafo

"c"># El patrón permite responder preguntas como:
"c"># "¿Qué autores puente conectan las comunidades de NLP y visión?"
"c"># sin que el LLM tenga que almacenar el grafo entero en su contexto.
print("GraphRAG: LLM + grafo de conocimiento")

Autoevaluación · Capítulo 6

Comprueba las ARS e IA

Cuatro preguntas sobre la intersección del ARS con la inteligencia artificial: GNN, LLM sobre grafos y sistemas de aprendizaje inteligentes.
Umbral de superación: 70 %. Tu progreso se guarda en este navegador.